2.

Probabilidad Dominar la fortuna

Cmo osamos hablar de leyes del azar?
No es, acaso, el azar la anttesis de
cualquier ley?
Bertrand Russell
La probabilidad de tener un accidente de
trfico aumenta con el tiempo que pasas
en la calle. Por tanto, cuanto ms rpido
circules, menor es la probabilidad de que
tengas un accidente.
El 33 % de los accidentes mortales
involucran a alguien que ha bebido. Por
tanto, el 67 % restante ha sido causado por
alguien que no haba bebido.
A la vista de esto y de lo anterior, esta claro
que la forma ms segura de conducir es ir
1
borracho y a gran velocidad.

Nocin intuitiva de probabilidad

http://improveverywhere.com/2008/07/06/human-mirror/

La Probabilidad es una disciplina matemtica cuyos propsitos son de la

misma clase que, por ejemplo, los de la Geometra o la Mecnica Analtica.
En cada campo debemos distinguir tres aspectos de la teora:
a) el contenido lgico-formal,
b) el antecedente intuitivo,
c) las aplicaciones.
El carcter y el encanto de toda la estructura
no pueden ser apreciados sin considerar los
tres aspectos adecuadamente relacionados.
William Feller,
Introduccin a la teora
de probabilidades
y sus aplicaciones.

William (Vilim) Feller (1906 1970),

fue un matemtico estadounidense
de origen croata conocido por sus
contribuciones a la teora de la
probabilidad.

Experimento aleatorio
Entenderemos por experimento aleatorio
cualquier situacin que, realizada en las
mismas condiciones, proporcione un
resultado imposible de predecir a priori.

Por ejemplo:
* Lanzar un dado.
* Extraer una carta de una baraja.
* Se lanza una moneda. Si sale cara se extrae de una urna
U1, con una determinada composicin de bolas de colores,
una bola y si sale cruz de extrae de una urna U2, con otra
determinada composicin de bolas de colores, una bola.4

Sucesos o eventos
Cuando se realiza un experimento aleatorio, diversos
resultados son posibles. El conjunto de todos los resultados
posibles se llama espacio muestral (E).
Experimento aleatorio: lanzar un dado.
Espacio muestral E = {1, 2, 3, 4, 5, 6}.

Se llama suceso o evento a un subconjunto de dichos

resultados. Distinguiremos entre sucesos simples (o
indivisibles) y compuestos (o divisibles).
Por ejemplo: el suceso A = que el resultado sea par:
A = {2, 4, 6} es un suceso compuesto.
Se llama suceso complementario de un suceso A, Ac al
formado por los elementos que no estn en A.
Ac ser: que el resultado sea impar, Ac = {1, 3, 5}.
5

Se considera el experimento aleatorio consistente en lanzar una

moneda. Si sale cara, se extrae de una urna que contiene bolas
azules y rojas una bola, y si sale cruz, se extrae una bola
de otra urna que contiene bolas rojas y verdes. Cul es el
espacio muestral E de dicho experimento aleatorio?
E = {(C,R), (C,A), (+,R), (+,V)}

Probabilidad clsica o a priori

Laplace define la probabilidad de un
suceso A como el cociente:

Pierre-Simon Laplace
(1749 - 1827)

Nmero de casos favorables

P( A) =
Nmero de casos posibles

Dado: Cul es la probabilidad P(A) de A = un nmero mayor

o igual a 5?Y la probabilidad de B = nmero impar?
Solucin: Los seis casos posibles son igualmente probables,
cada uno tiene probabilidad 1/6.
P(A) = 2/6 = 1/3 pues A = {5,6} tiene dos casos favorables.
P(B) = 3/6 = 1/2 pues B = {1, 3, 5} tiene tres casos favorables
7

Si se producen aleatoriamente n
accidentes de coche en n das, cul
es la probabilidad de que cada da
se produzca un accidente?
Podemos colocar la bola 1 (accidente 1) en n posibles
celdas (das). La bola 2 (accidente 2) puede colocarse
en cualquiera de las n celdas (n das), idem la 3, etc... De
modo que existen nn maneras posibles de colocar n bolas en
n celdas (casos posibles). Los arreglos o configuraciones
posibles en que tenemos una bola en cada celda son: n!
(casos favorables).
Para siete accidentes de trfico en una semana:
p(7) = 7! / 77 = 0.00612 (anti-intuitivamente baja)

n!
p ( n) = n
n

Un ascensor sube con 7 pasajeros y se detiene al cabo

de 10 pisos. Cul es la probabilidad de que en ningn piso
baje ms de un pasajero? (Supongamos que todas
las posibles maneras de descender son igualmente probables).
El primer pasajero puede bajarse en cualquiera de los 10 pisos. El
segundo pasajero tambin. El tercero...

Casos posibles: VR10,7 = 107

El primer pasajero puede bajarse en cualquiera de los 10 pisos.
Ahora el segundo pasajero solo podr bajarse en 9 de ellos. El
tercero solo tendr 8 opciones...

Casos favorables: V10,7 = 10987654

10 9 ... 5 4
p=
= 0,06048
7
10

Anatoli Timofyevich Fomenko

Random processes in probability

Statistical fantasy

11

Es un hecho destacable que una

ciencia que empez analizando juegos de azar
acabe convirtindose en el ms importante
objeto del conocimiento humano.
Pierre Simon Laplace, Thorie Analytique des
Probabilits.
La base de la comprensin de la probabilidad no aparece
hasta mediados del siglo XVI, y el tema no se discute con
profundidad hasta casi un siglo despus. Los historiadores se
preguntan por qu el progreso mental en este campo fue tan lento,
dados que los seres humanos se han visto confrontados con el azar
una y otra vez desde los primeros tiempos.
Deborah J. Bennett, Aleatoriedad.

13

Precursores de la
teora de probabilidad
(pag. 38)
Su libro sobre juegos de azar,
Liber de ludo aleae, escrito en la
dcada de 1560 pero publicado
pstumamente
en
1663,
constituye el primer tratado serio
de
probabilidad
abordando
mtodos de cierta efectividad.
Wikipedia
Cardano comput correctamente las
posibilidades en los lanzamientos de 2 y 3
dados.

Girolamo Cardano
(1501-1576)

Daniel Pea, en el primer captulo de su libro "Fundamentos de

Estadstica" presenta la mejor sntesis que he ledo (3 pginas) sobre la
historia del clculo de probabilidades. Una buena referencia es: "A
History of Probability and Statistics and Their Applications before
1750" de Anders Hald.
14

Galileo Galilei en la epstola titulada Sopra le scoperte dei dadi

(Sobre una investigacin del dado, escrita entre 1613 y 1623)
analiza si en el lanzamiento de 3 dados es mejor apostar por 10 u 11
puntos, que por 9 o 12. Galileo, (sin conocer la obra previa de
Girolamo Cardano) concluy que existen 216 combinaciones posibles
y encontr la respuesta correcta mediante anlisis combinatorio. En
la tabla, Galileo slo incluye las combinaciones correspondientes a
puntajes comprendidos entre 3 y 10 puntos, y explica que no es
necesario incluir las combinaciones de los dems puntajes
comprendidos entre 11 y 18 puntos porque su total de combinaciones
resulta simtrico al ya establecido en la tabla... Por qu?

Galileo Galilei
1564-1642

10 Puntos 9 Puntos 8 Puntos

7 Puntos
6 Puntos
5 Puntos 4 Puntos 3 Puntos
631
6 621 6 611 3 511
3 411
3 311 3 211 3 111 1
622

3 531

6 521

6 421

6 321

6 221

541

6 522

3 431

6 331

3 222

532

6 441

3 422

3 322

442

3 432

6 332

433

3 333

27

25

15

21

15

10

http://www.eyeintheskygroup.com/Azar-Ciencia/Metodos/Azar-Galileo-Galilei.htm

Sidney Harris

Science Cartoons Plus -- The Cartoons of S. Harris

Cotton Expressions T-Shirts, featuring Cartoons by S. Harris

16

Diagramas de Venn
A
A

A
B

3
2

Unin A B

Interseccin A B

A={1,3,5}, B={5,6}
E={1,2,3,4,5,6}

Sigamos con el dado:

Sucesos: A= Un nmero impar, B= Un nmero mayor que 4.

Ac ={2, 4, 6}
Bc ={1, 2, 3, 4}
A B ={1, 3, 5, 6}
A B = {5}
(A B)c ={2, 4}
(A B)c = {1, 2, 3, 4, 6}

17

Se llama suceso unin de A y B, A B, al formado por los

resultados experimentales que estn en A o en B (incluyendo
los que estn en ambos).
Se llama suceso interseccin de A y B, A B, al formado por
los resultados experimentales que estn simultneamente en A
y B. Dos sucesos son mutuamente excluyentes si A B = ,
donde es el conjunto vaco.

Observemos que un suceso y su complementario son siempre

mutuamente excluyentes y su unin es todo el espacio E.
A Ac = , A Ac = E
La unin y la interseccin de mltiples sucesos se define de
forma similar:
m

A j = A1 A2 Am
j =1

A j = A1 A2 Am
j =1

18

Cul ser la probabilidad de dos

sucesos mutuamente excluyentes?
X = {1, 2 }

X Y =

Y = { 3,4,5,6 }

P( X Y ) = 0
19

La diferencia bsica en el papel de la Probabilidad matemtica en

1946 y en 1988 es que hoy en da es aceptada como Matemtica,
mientras que en 1946, para la mayora de los matemticos, la
Probabilidad era a las Matemticas como el mercado negro es al
mercado: esto es, la Probabilidad era una fuente de matemticas
interesantes, pero el anlisis del contexto de fondo era algo poco
recomendable.
J. L. Doob, A Century of Mathematics in America, Part II (Peter
Duren, ed.)

La Teora de la Probabilidad, como disciplina matemtica, puede

y debe ser desarrollada a partir de unos axiomas, de la misma
manera que la Geometra o el lgebra.
Andrei Kolmogorov, Foundations of the Theory of Probability.
20

Definicin axiomtica de probabilidad

Evitar definicin conceptual de probabilidad y su arraigo experimental
(dcada 1930). La axiomatizacin de la teora de la probabilidad
permiti el desarrollo inmediato de la teora de la medida.

Se llama probabilidad a cualquier funcin P

que asigna a cada suceso A del espacio muestral
E un valor numrico P(A), verificando los
siguientes axiomas:
(1) No negatividad: 0 P(A)
(2) Normalizacin: P(E) = 1
(3) Aditividad: P(A B) = P(A) + P(B)
si A B =
(donde es el conjunto vaco).
21

Kolmogorov, 1933

Demostrar que: P() = 0

( Utilizar: E = )
P(E) = P(E U ) =
P(E)+P() = 1+ P()
P( ) = 0

Suceso
seguro

.5

Demostrar que: 0 P(A) 1

1= P(E) = P(A U Ac ) =
P(A )+ P(Ac)
P(A ) 1

Suceso
Imposible

22

Veamos un ejemplo de aplicacin del axioma (3)

Aditividad: P(A B) = P(A) + P(B) si A B =
(donde es el conjunto vaco).
Si la probabilidad de que el parking de la escuela
tenga 100-209, 210-309, 310-400 y > 400 coches
es 0.20, 0.35, 0.25, 0.12 respectivamente.
Qu probabilidad hay de que el parking tenga
al menos 100 coches, pero menos de 401?
Solucin
Puesto que los sucesos favorables 100-209,
210-309 y 310-400 son mutuamente excluyentes:

0,20 + 0,35 + 0,25 = 0,80

23

Sabiendo la probabilidad P(A) de un suceso A,

cul ser la de su complementario Ac?
Teorema de la probabilidad complementaria
Para un suceso A y su complementario Ac en el espacio
muestral E:
P(Ac) = 1 - P(A)
Demostracin: Por definicin de complementario
E = A Ac y A Ac = . A partir de los axiomas 2 y 3:
1 = P(E) = P(A Ac) = P(A) + P(Ac), de modo que:
P(Ac) = 1 - P(A)

P( E ) = 1
c
P ( A ) = 1 P ( A)

24

Lanzamiento de monedas
Cinco monedas se lanzan simultneamente.
Encuentra la probabilidad del suceso A:
Al menos sale una cara. (Asumimos que las
monedas no est cargadas).
Solucin: Puesto que cada moneda puede aparecer
como cara o cruz, el espacio muestral consiste en
25 = 32 posibilidades. Como las monedas no estn
cargadas cada posibilidad tiene la misma probabilidad
de 1/32.
El suceso Ac (ninguna cara) tiene solo una posibilidad.
Entonces P(Ac) = 1/32 y la respuesta es:
P(A) = 1 - P(Ac) = 31/32.
25

Solucin alternativa: La probabilidad de que una

moneda salga cara es 1/2 y de que salga cruz 1/2.
Puesto que cada lanzamiento es independiente, la
probabilidad de que salgan 5 cruces (ninguna cara)
ser:
Probabilidad de que salga cruz
5

1 1 1 1 1 1
1
P( A ) = = =
2 2 2 2 2 2 32
31
c
P( A) = 1 P( A ) =
32
c

Discutamos el concepto de independiente...

26

La falacia del jugador

(1) Edgar Allan Poe argumentaba en el
eplogo de la narracin detectivesca: El
misterio de Marie Roget que si al lanzar
un dado se sacaban cinco doses seguidos,
la probabilidad de sacar otro dos en la
sexta tirada era inferior a 1/6.
(2) Los seores Buenaesperanza tienen cinco nias.
Esperan un nuevo hijo. Ser ms probable que sea
nio?
(3) Ests jugando a la ruleta y has observado que ha
salido 6 veces seguidas un nmero rojo. Es el momento
de apostar al negro?
27

(4) El sistema de D Alembert para jugar a la

ruleta a rojo/negro o par/impar:
Si gano en la siguiente jugada apuesto menos.
Si pierdo en la siguiente jugada apuesto ms.
(5) Primera Guerra Mundial y crteres.
(6) Terrorismo areo.
Hay que distinguir entre sucesos dependientes e
independientes: Ni las monedas, ni las ruletas
tienen memoria...
Cuando el resultado de un acontecimiento A tiene
influencia sobre B, decimos que los sucesos son
dependientes. E independientes en caso contrario.

28

El hombre del tiempo:

La probabilidad de que llueva
este sbado es del 50%
y de que llueva en domingo
tambin es del 50%.
As que la probabilidad de que llueva el fin de
semana es del 100%.
Cul es la probabilidad de que llueva el fin de semana
suponiendo independencia entre los sucesos: "llover
el sbado" y "llover el domingo"?

P = 1 (1 0.5) 2 = 0.75

29

Otras maneras de visualizar sucesos

Tablas de contingencia:
Color
Palo

Rojo

Negro

Total

As

No-As

24

24

48

Total

26

26

52

Diagramas en rbol:
Cartas
Rojas
Baraja

Cartas
Negras

As
No As
As
No As

32

Recordemos el restaurante de Emile. Supongamos que el 80% de los

clientes escogen sopa como entrante y el 20% zumo. De los que escogen
sopa, el 20% eligen ensaladas, el 30% pescado y el 50% carne. De los
que escogieron zumo, es el 30%, 40% y 30% para ensaladas, pescado y
carne respectivamente.
Podemos utilizar estos valores
para estimar las probabilidades
de los dos primeros platos
usando un diagrama
de rbol.

33

Spotck, la gata de Data en Start Treck, ha tenido

un camada de 4 cachorros. El capitn
Piccard le pregunta cuntos son macho y
cuntos hembra. Data le responde que,
basndose en el clculo de probabilidades,
lo ms probable es que sean dos gatitos y
dos gatitas. Piccard llama inmediatamente a
seguridad para que detengan a Data. Qu ocurre?
Si un gato puede ser macho o hembra y hay cuatro gatos, tenemos 24 = 16
posibilidades:
Probabilidad de que todos sean del mismo sexo = 2/16 = 1/8
HHHH MMMM
Probabilidad descomposicin (3-1) = 8/16 = 1/2
HHHM HHMH HMHH MHHH
MMMH MMHM MHMM HMMM
Descomposicin (2-2) = 6/16 = 3/8
HHMM HMHM HMMH MHHM MHMH MMHH
Hemos contado los 16 casos posibles y 1/8 + 1/2 + 3/8 = 1.
A casi todo el mundo le sorprende que en familias de cuatro hijos haya tres
del mismo sexo.

Probabilidad de que todos sean del mismo sexo:

4

2 1
1
1 1
=
P(4 H 4M ) = P(4 H ) + P(4M ) = + = 2 =
2 16 8
2 2
Probabilidad descomposicin (3-1):

P(3H 1M 1H 3M ) = P(3H 1M ) + P(1H 3M ) =

1 1 3 1
8 1
1
= + = 2 4 =
=
2 16 2
4 2 4 2
4

Probabilidad descomposicin (2-2):

2 1
6 3
P(2 H 2 M ) = =
=
4 2 16 8
4

36

Escribe Poisson en sus Recherches sur la Probabilit (1837) que un problema

relativo a los juegos de azar, propuesto a un austero jansenista por un hombre de
mundo, ha sido el origen del clculo de probabilidades. El austero jansenista no es
otro que Blaise Pascal y el hombre de mundo Antoine Gombauld, caballero De Mre.

Antoine Gombaud, Chevalier de Mre, plante uno de los

problemas ms antiguos de la teora de probabilidad al filsofo
y matemtico francs Blaise Pascal: Qu es ms probable?
(a) Sacar (al menos) un 6 al tirar 4 veces un solo dado o
(b) sacar (al menos) un 12 en 24 tiradas de 2 dados.
A pesar de que Pascal haba renunciado a las matemticas por
considerarlas una forma de deleite sexual (!), acept resolver
el problema:
4

5
5
P (ningn 6) = ; P (al menos un 6) = 1 = 0,5117
6
6
24

24

35
35
P (ningn 12) = ; P (al menos un 12) = 1 = 0,4914
36
36

5
P(al menos un 6) = 1 = 0,5117
6
24

35
P(al menos un 12) = 1 = 0,4914
36
Pascal, a raz de esta cuestin, comenz una
correspondencia epistolar sobre cuestiones
probabilsticas con otros matemticos amigos,
sobre todo con Fermat. Esta correspondencia
puede considerarse el origen de la teora de
probabilidades.
Fue Huyghens, no obstante, quien recogiendo y completando el
trabajo de ambos presenta en sociedad el Clculo de Probabilidades
en 1657 al publicar su libro De Ratiocinius in Ludo Aleae.
38

Morir de ...
P(no morir de accidente de coche) = 99%
P(no morir de accidente domstico) = 98%
P(no morir de enfermedad pulmonar) = 95%
P(no morir de locura) = 90%
P(no morir de cncer) = 80%
P(no morir de enfermedad cardiaca) = 75%
La probabilidad de librarse individualmente de cada una de estas
formas de muerte es alentadora, pero: Cul es la probabilidad
de morir a causa de alguna de ellas?
P(no morir por ninguna de las causas) =
= 0,99 x 0,98 x 0,95 x 0,9 x 0,8 x 0,75 = 0,50
P(morir a causa de alguna) = 1 0,5 = 0,50.

39

La probabilidad de contraer el SIDA se estima en 1/500 en 1

contacto heterosexual sin proteccin con alguien enfermo.
Cuntos contactos son necesarios en promedio para que la
probabilidad de infeccin alcance el 50%?

1
499
P(no contagiarse en 1 contacto) = 1
=
500 500
499
P(no contagiarse en 2 contactos) =

500

499
P(no contagiarse en n contactos) =
= 0,5
500
Ln 0,5
n=
346
499
Ln

500

40

Utilizando condn la probabilidad de contraer el SIDA por

va heterosexual baja de 1/500 en 1 contacto a 1/5.000.
Cuntos contactos son necesarios ahora en promedio
para que la probabilidad de infeccin alcance el 50%?

1
4999
=
P (no contagiarse en 1 contacto) = 1
5000 5000

4999
P (no contagiarse en n contactos) =
0,5
5000
Ln 0,5
3465
n=
4999
Ln

5000
41

Si no conocemos el estado de salud de nuestra

pareja, pero sabemos con certeza que no pertenece a
ningn grupo de riesgo conocido, las probabilidades
pasan a ser de 1/5.000.000 sin preservativo y
1/50.000.000 con preservativo, riesgos muy inferiores a
morir en un accidente de trfico volviendo de la cita,
que es de alrededor de 1/5.300.
El hombre anumrico, John Allen Paulos.

42

Vamos a generar una serie aleatoria de 50 nmeros con un dado:

14524314331566524451345252441515242662261...
Cul es la probabilidad de acertar al azar esta serie?
La secuencia de 42 bases:

TTTAATTGAAAGAAGTTAATTGAATGAAAATGATCAACTAAG
est presente en el genoma de 10 vertebrados: humano, chimpanc, ratn,
rata, perro, pollo, rana, pez cebra, pez fugu y tetraodn.
La probabilidad (de acuerdo al modelo de evolucin de Jukes-Cantor, ver
Substitution model en Wikipedia) de que esto haya ocurrido por azar es
aproximadamente igual a: 10-50.
Es una conjetura razonable suponer que esta secuencia de 42 bases estaba
en un ancestro comn a todos estos vertebrados
The Mathematics of Phylogenomics, Lior Pachter and Bernd Sturmfels
Algebraic Statistics for Computational Biology, Cambridge University Press, 2005

Infinite monkey theorem (Emile Borel 1913)

Teorema de los infinitos monos
De acuerdo con el segundo enunciado BorelCantelli, con suficiente tiempo, un chimpanc
escribiendo al azar podra escribir una obra de
Shakespeare (o cualquier otro texto).
Wikipedia

Suponiendo que un teclado tenga 50 teclas y la palabra a ser escrita es banana,

mecanografiando al azar, la probabilidad de que la primera letra escrita sea b es 1/50, de
que la segunda sea a es 1/50, etc. Dichos eventos son estadsticamente independientes, as
que la probabilidad de que las seis primeras letras escritas sean banana es 1/506.
Ahora, las probabilidades de no escribir banana en cada bloque de 6 letras es 1-1/506.
Dado que cada bloque debe ser considerado independientemente, la probabilidad X de
no escribir banana en los n primeros bloques de 6 letras es X = (1-1/506)n. A medida
que n aumenta, X se reduce. Para n = 1.000.000, X = 99.99%, pero para un n igual a
10.000 millones, X = 53% y para una n = 100.000 millones es un 0,17%. A medida que n
se acerca a infinito, la probabilidad de X tiende a cero. Esto es, haciendo n lo
suficientemente grande, X puede ser tan pequeo como uno quiera. Si considersemos las
veces que se escribira banana entre bloques de 6 letras, X tendera a 0 incluso ms
rpidamente. El mismo argumento se aplica si el mono estuviese escribiendo cualquier
46
otra cadena de caracteres de cualquier tamao. Wikipedia

Infinite monkey theorem

Teorema de los infinitos monos
Esta demostracin muestra por qu infinitos monos podran (con casi toda probabilidad)
producir un texto tan rpidamente como pudiese ser escrito por un mecanografiador
humano copindolo desde el original. En este caso X = (1-1/506)n, donde X representa la
probabilidad de que ninguno de los primeros n monos escribiese banana a la primera.
Cuando consideremos 100.000 millones de monos, la probabilidad cae al 0,17% y a
medida que n aumenta, X (la probabilidad de que todos los monos fallen al escribir un
texto dado) tiende a 0.
Ignorando puntuacin, espaciamiento y maysculas/minsculas y asumiendo una
distribucin uniforme de letras, un mono tiene una probabilidad entre 26 de escribir
correctamente la primera letra de Hamlet. La probabilidad de que escriba bien las dos
primeras letras es 1 entre 676 (26 veces 26). Cuando 20 letras hayan sido escritas, las
probabilidades de que hayan sido las correctas se reducen a una entre
2620=19.928.148.895.209.409.152.340.197.376, aproximadamente la misma probabilidad
de que a una misma persona le toquen 4 loteras consecutivas. En caso del texto completo
de Hamlet, la probabilidad es tan abismalmente pequea que difcilmente puede ser
concebida en trminos humanos. El texto de Hamlet, eliminando cualquier puntuacin,
contiene unas 130.000 letras.
Wikipedia

47

Infinite monkey theorem

Teorema de los infinitos monos
En fsica, pues, la fuerza del argumento de los monos reside no en la probabilidad de que los monos finalmente
produzcan algo inteligible, sino en la realidad prctica de que no lo harn. Cualquier proceso fsico que es
menos probable que el xito de los monos es efectivamente imposible. Esta es la base de la segunda ley de la
termodinmica.
The Nature of the Physical World (1929)
Arthur Eddington

El sitio web The Monkey Shakespeare Simulator, simula desde 2003 una gran poblacin
de monos escribiendo al azar, con la intencin de ver cuanto tiempo toma a los monos
virtuales completar una obra de Shakespeare desde el principio al fin. En 2005 se
encontraron 24 letras consecutivas que formaban un pequeo fragmento de Enrique VI,
parte 2:
48
RUMOUR. Open your ears; 9r"5j5&?OWTY Z0d "B-nEoF.vjSqj[
Posteriormente, el mismo experimento, logr 30 letras de Julio Csar de Shakespeare:
Flauius. Hence: home you idle CrmS3RSs jbnKR IIYUS2([;3ei'Qqrm
En 2003, cientficos en Paignton Zoo y la Universidad de Plymouth, reportaron que
dejaron un teclado de computadora en la jaula de seis macacos durante un mes. No slo
los monos no hicieron ms que producir cinco pginas consistentes en una larga serie de
la letra S, sino que comenzaron a atacar el teclado con una piedra y siguieron orinando y
defecando sobre l. Wikipedia

Todos estamos conectados ...

Inspira profundamente. Al hacrsele al filsofo griego
Anaxgoras (nacido el ao 428 antes de nuestra era)
la pregunta de cul sera el mejor modo de que se
acordasen de l, dijo: Que los alumnos celebren un
da de vacaciones anualmente en mi honor.
(Diccionario de ltimas palabras, Werner Fuld). Cul
es la probabilidad de que hayas inhalado al menos
una de las molculas que Anaxgoras emple para
pronunciar esa frase?
Ms del 99%! En ms de 2000 aos las molculas se habrn repartido
uniformemente por la atmsfera.
Sea A = n = # molculas exhaladas por Anaxgoras = # molculas
inspiradas por ti = 1/30 litro = 2,2 1022
N = # molculas de la atmsfera = 1044
P(una molcula inhalada no sea de Anaxgoras) = 1- A/N
P(n molculas inhaladas ninguna de Anaxgoras) = (1 - A/N)n
P(inhalar al menos una de las molculas de Anaxgoras) = 1- (1 - A/N)n
49

Lanzamiento de monedas

77

Si sospechamos que una moneda est trucada (probabilidad

no simtrica) cmo utilizarla para echar suertes de manera
justa? Por ejemplo, supongamos que la moneda sale cara (C)
un 60% de las veces y sale cruz (+) un 40% de las veces.
Qu experimento aleatorio dara las mismas posibilidades a
dos sujetos A y B? (John von Neumann)
Cada jugador lanza la moneda dos veces:
(1) Si sale CC o ++, se vuelve a lanzar dos veces.
(2) Si sale C+ gana A.
(3) Si sale +C gana B.

6 4
24
P(C +) =
=
10 10 100
4 6
24
P ( +C ) =
=
10 10 100

John von Neumann

(1903 - 1957).
78

Generaliza el problema suponiendo que desconoces

la probabilidades.

P(C + ) = p(1 p )
P( +C ) = (1 p ) p

Supongamos ahora que el sorteo es entre tres y disponemos de una

bolsa con tres bolas: una blanca y dos negras. Se sacan en orden y sin
reponer. Gana quien saque la blanca. Te interesa extraer primero para
tener ms posibilidades de ganar?
Numeremos las bolas: blanca = 0, negra1 = 1, negra2 = 2. Las posibles
extracciones son:
012 021
102 201
120 210.
Y puesto que todas son igualmente probables:
P(sacar primero) = 2/6 = P(sacar segundo) = P(sacar tercero)
Y si fueran N bolas y N participantes?
Es equivalente a: el profesor escoge un nmero entre 1 y N. Y sortea
entre N alumnos, que escogen por orden alfabtico un nmero (no repetido)?

El sorteo de la mili

79

From Alberto Luceo y Francisco J. Gonzlez.

Ya has visto que no siempre los sucesos del espacio muestral

son equiprobables. Qu ocurrira si jugsemos con un dado
trucado? Por ejemplo, cul sera la probabilidad de obtener un
nmero primo con un dado trucado, de tal forma que la
probabilidad de obtener una determinada cara fuese proporcional
a la numeracin de dicha cara? En este caso los sucesos del
espacio muestral no son equiprobables y no podemos aplicar
la regla de Laplace.

primos

p(A1) = 1 k
p(A2) = 2 k
p(A3) = 3 k
p(A4) = 4 k
p(A5) = 5 k
p(A6) = 6 k
82

Qu probabilidad asignamos a cada suceso del

espacio muestral? Normalicemos:
1 = p(E) = p(A1 A2 A3 A4 A5 A6) =
p(A1) + p(A2) + p(A3) + p(A4) + p(A5) + p(A6) = 21 k
de donde k = 1/21 y resulta:
p(A1) = 1 k = 1/21, p(A2) = 2 k = 2/21
p(A3) = 3 k = 3/21, p(A4) = 4 k = 4/21
p(A5) = 5 k = 5/21, p(A6) = 6 k = 6/21
p(A) = p("obtener nmero primo") = p(A2 A3 A5) =
= p(A2) + p(A3) + p(A5) =
= 10/21 = 0,476
83

Coincidencias
Cuntas personas escogidas al azar hacen falta
para tener la certeza de que dos cumplen aos el
mismo da? Si un ao tiene 365 das (pasemos
de bisiestos), nos hacen falta a lo sumo 366
personas. Y si quiero tener una probabilidad del
50%?
El nmero de posibles:
n fechas de 365 (casos posibles) es:
n fechas distintas de 365
(casos no favorables) es:

VR365,n = 365n

V365,n = 365 364 ... (365 n + 1)

365 364 ... (365 n + 1)

P(n personas no mismo cumple) =
365n
365 364 ... (365 n + 1)
P(al menos dos de n mismo cumple) = 1 365n
Con n = 23 esta probabilidad se hace aproximadamente 0,5.

84

85

Y si fijamos la fecha? Por ejemplo, yo nac el 21 de marzo,

cuntas personas son necesarias en un grupo para alcanzar
el 50% de probabilidad de que al menos una haya nacido el
mismo da que yo?

364
P (no nacer el 21 de marzo) =
365
364
P (n personas no hayan nacido el 21 de marzo) =

365

364
P (Al menos una persona de n haya nacido el 21 de marzo) = 1 -

365
Para n = 253 esta probabilidad es aproximadamente del 50%.

Moraleja: mientras que es probable que ocurra algn hecho

improbable, lo es mucho menos que se d un caso concreto.
86

(1) Probabilidad de que al menos haya

coincidencia en un cumpleaos
Calcularemos la probabilidad de que no haya ninguna coincidencia y
utilizaremos el complementario.
De las 365 urnas, de cuntas
maneras podemos formar dos
grupos con 23 urnas de tipo 1 y 342
de tipo 0?
23, 342
365

PR

365!
=
23! 342!

[1,...,1]
(23)

[0,...,0]
(342)

Ahora, para cada configuracin anterior

tenemos: 23! formas distintas
de colocar las bolas en las urnas tipo 1.

365!
365!
23! =
Casos favorables CF =
342!
23! 342!
365!
Entonces, la probabilidad de que no haya coincidencia es:
P = 34223! = 0.493
365
La probabilidad de que haya al menos un par de
personas con el mismo da de cumpleaos ser:

1 P = 1 0.493 = 087.507

(2) Probabilidad de que haya precisamente

una coincidencia y solo una
[2]
(1)

[1,...,1]
(21)

[0,...,0]
(343)

De las 365 urnas, de cuntas maneras podemos formar tres grupos

con 1 urna de tipo 2, 21 urnas de tipo 1 y 343 de tipo 0?
1, 21, 343
365

PR

365!
=
1! 21! 343!

Ahora, para cada configuracin anterior tenemos: 23! /2! formas distintas
de colocar las bolas:
Casos favorables

365! 23!
1! 21! 343! 2!
365! 23!
1! 21! 343! 2!
P=
= 0.363
23
88
365

CF =

Entonces, la probabilidad de que

haya exactamente una coincidencia es:

(3) Probabilidad de que haya precisamente

dos coincidencias
[2,2]
(2)

[1,...,1]
(19)

[0,...,0]
(344)

De las 365 urnas, de cuntas maneras podemos formar tres grupos

con 2 urnas de tipo 2, 19 urnas de tipo 1 y 344 de tipo 0?
2 ,19 , 344
365

PR

365!
=
2! 19! 344!

Ahora, para cada configuracin anterior tenemos: 23! /(2!)2 formas

distintas de colocar las bolas:
Casos favorables

23!
365!
2! 19! 344! (2!)2
365!
23!
2! 19! 344! (2!)2
P=
36523

CF =

Entonces, la probabilidad de que

haya exactamente dos coincidencias es:

=890.111

(4) Probabilidad de que haya precisamente

tres coincidencias
[2,2,2]
(3)

[1,...,1]
(17)

[0,...,0]
(345)

De las 365 urnas, de cuntas maneras podemos formar tres grupos

con 3 urnas de tipo 2, 17 urnas de tipo 1 y 345 de tipo 0?
3,17 , 345
365

PR

365!
=
3! 17! 345!

Ahora, para cada configuracin anterior tenemos: 23! /(2!)3 formas

distintas de colocar las bolas:
Casos favorables

23!
365!
3! 17! 345! (2!)3
365!
23!
3! 17! 345! (2!)3
P=
36523

CF =

Entonces, la probabilidad de que

haya exactamente dos coincidencias es:

= 900.018

(5) Probabilidad de que haya precisamente

una triple coincidencia
[3]
(1)

[1,...,1]
(20)

[0,...,0]
(344)

De las 365 urnas, de cuntas maneras podemos formar tres grupos

con 1 urna de tipo 3, 20 urnas de tipo 1 y 344 de tipo 0?
1, 20 , 344
365

PR

365!
=
1! 20! 344!

Ahora, para cada configuracin anterior tenemos: 23! /3! formas

distintas de colocar las bolas:
Casos favorables

365!
23!
1! 20! 344! 3!
365!
23!
1! 20! 344! 3!
P=
= 091.007
23
365

CF =

Entonces, la probabilidad de que

haya exactamente dos coincidencias es:

Ftbol: dos equipos + rbitro = 23

10 partidos

"Coincidences: the truth

is out there"
Robert Matthews, and Fiona Stones.

92

La lista de de reproduccin aleatoria del iPod

realmente es aleatoria?
Lo hicimos menos aleatorio para que pareciera ms aleatorio.
Steve Jobs
Supn que tu ipod tiene 4000 canciones y escuchas al azar 65. Cul es la probabilidad
de se repita al menos una de las canciones?
El nmero de posibles sucesiones de 65 canciones es:
El nmero de posibles sucesiones de 65 canciones diferentes:

4000 3999 ... 3936

400065
4000 3999 ... 3936
P(al menos 2 canciones repetidas) = 1 400065
P(65 canciones distintas) =

Probabilidad del 50,2%.

93

Ao
cm de nieve
(1) 1974 75
Rcord
(2) 1975 88
Rcord
(3) 1976 72
(4) 1977 110 Rcord
(5) 1978 85
(6) 1979 30
(7) 1980 55
(8) 1981 86
(9) 1982 51
(10) 1983 64

Rcords
Cuntos rcords deberamos
esperar en un periodo de 10
aos?
Podemos contar el nmero de
rcords en trminos de
permutaciones como sigue:
numeramos los aos de 1 a 10.
Y asignamos a cada ao su
posicin en el ranking
(ordenamos por su valor de
menor a mayor).

Ranking 10 significa mayor rcord.

Ranking 1 significa valor ms bajo.

Ao
1 2 3 4 5 6 7 8 9 10
Ranking 6 9 5 10 7 1 3 8 2 4

94

Ao
1 2 3 4 5 6 7 8 9 10
Ranking 6 9 5 10 7 1 3 8 2 4
El ranking se convierte as en una posible permutacin. De modo
que el ao i ser un rcord si en la permutacin ranking todos los
valores anteriores: 1, 2, ..., i - 1 son menores en valor.
Vamos a calcular, por simulacin, para n aos la probabilidad de
obtener k rcords, suponiendo que los valores (centmetros de nieve)
son todos distintos e igualmente probables. As como el nmero
medio de records en funcin de n.
El programa Records cuenta el nmero de rcords en
permutaciones generadas aleatoriamente. Para n = 10, 20 y 30
el nmero medio de rcords es 2.968, 3.656 y 3.960
respectivamente. El promedio incrementa muy suavemente.
Puede demostrarse que el promedio va aproximadamente como
log n: log 10 = 2.3, log 20 = 3 y log 30 = 3.4.
95

96

Supongamos que disponemos de una

ruleta de 26 letras distintas: mientras que
la probabilidad de que salgan las palabras
TACO o BOBO es baja (acontecimiento
concreto), la probabilidad de que salga
alguna palabra no concreta con sentido
es alta (acontecimiento genrico).
Martin Gardner
Que a algn televidente se le repare milagrosamente ese reloj
viejo que haca aos que no funcionaba es ms probable que
se le repare concretamente a Perico de los Palotes. Por este motivo
las predicciones de los magufos son vagas. Las concretas raramente
se hacen realidad. (ARP-Sociedad para el Avance del Pensamiento Crtico.)
Veamos un timo clsico que se basa indirectamente en esta
propiedad...
97

Si durante 6 semanas seguidas recibieras por carta las

predicciones correctas sobre si suben o bajan determinadas
acciones, estaras dispuesto a pagar 500 euros por la informacin
a la sptima semana? Observacin: la probabilidad de que el
broker acierte por azar es (1/2)6 = 0,008.

Nuestro astuto asesor de bolsa enva 32.000

cartas: 16.000 predicen subida y 16.000
bajada. A la mitad adecuada les enva a la
semana siguiente 8.000 con subida y 8.000
con bajada, etc. Al final 500 personas han
recibido 6 predicciones correctas dispuestas
a pagar 500 euros por la sptima: 500 x 500
= 250.000 euros de beneficio para el
timador.
98

Sueos profticos
Supongamos que la probabilidad de un sueo proftico sea
de 1/10.000 (muy poco frecuente). La probabilidad de que no
sea proftico es abrumadora: 9.999/10.000. Cul es la
probabilidad de tener un sueo proftico al cabo de un ao?

9999
P (365 sueos no profticos) =

10000

365

0,964

9999
P (Al menos 1 sueo proftico) = 1

10000

365

0,036

La poblacin espaola es de unos 47 millones de habitantes.

El 3,6% de esa cantidad tendr al menos un sueo proftico
a lo largo de un ao: 1,7 millones de personas. Lo extrao
es que no hubiera sueos profticos!
99

El negocio del azar puede

suponer en algunos
casos hasta el 3% del PIB.
Declaraciones en televisin de
un ganador de un premio de
lotera acabado en 48:
So con el siete, siete noches
seguidas. Y como 7 por 7 es 48,
compr un nmero acabado en
48.

Lotera de Navidad
(pg. 104)
101

102

Si elegimos una respuesta a esta pregunta al azar,

cul es la probabilidad de que sea correcta?
... paradoja del barbero/paradoja del mentiroso...

104

105

La paradoja del ascensor

El seor Arribas tiene su oficina en uno de los pisos ms altos
de un edificio. Llama al ascensor y piensa: Maldicin! El
primer ascensor que se detiene aqu est subiendo. Siempre
pasa lo mismo...
La seorita Ayuso trabaja en una de las primeras plantas. Y
sube a desayunar al tico. Llama al ascensor y piensa: Es
que no lo entiendo! Siempre que llamo al ascensor, el
primero en llegar est bajando!
Pregunta: Cmo es posible?
(Puzzle-Math, G. Gamow y M. Stern)
106

Planta
alta

Hueco del
ascensor

Planta
baja
107

The Easiest Hard Problem

Brian Hayes

Particin eficiente:
algoritmo infantil para formar dos equipos de ftbol.

The partitioning problem

You are given a set of n positive integers, and you are asked to separate them into two
subsets; you may put as many or as few numbers as you please in each of the subsets,
but you must make the sums of the subsets as nearly equal as possible. Ideally, the
two sums would be exactly the same, but this is feasible only if the sum of the entire
set is even; in the event of an odd total, the best you can possibly do is to choose two
subsets that differ by 1. Accordingly, a perfect partition is defined as any arrangement
for which the "discrepancy"the absolute value of the subset differenceis no
greater than 1.

Example:

2 10 3 8 5 7 9 5 3 2

There are 23 ways to divide up the numbers into two groups with exactly equal
sums (or 46 ways if you count mirror images as distinct partitions).

(2 5 3 10 7) (2 5 3 9 8)
Both subsets sum to 27.

The partitioning problem

Figure 1. One perfect partition hides in a dense forest of very imperfect ones. Partitions
are ways of separating a set of numbers into two subsets; a partition is perfect if the
subsets have the same sum. Here the bars represent the discrepancythe absolute
value of the subset differenceof the 256 ways of partitioning a certain set of nine
integers. (There are another 256 partitions, but they are just the mirror images of
these, exchanging the two subsets.) The set chosen for this example is (484 114 205 288
506 503 201 127 410); the lone perfect partition, marked by a red asterisk, divides the
numbers into the subsets (410 503 506) and (127 201 288 205 114 484), which both add
up to exactly 1,419.

Greedy algorithm

Figure 2. Greedy algorithm is one of the simplest approximate methods of partitioning.

The rule is always to take the largest number remaining to be assigned, and put it in
the subset with the smaller sum. Here red balls indicate the number being moved at
each stage.

Karmarkar-Karp algorithm

Figure 3. Karmarkar-Karp algorithm operates in two phases. First, reading down the
lefthand side, pairs of numbers are replaced by their difference, effectively deciding
they will go into different subsets. In the second phase, reading up the righthand side,
the partition is constructed from the sequence of differencing decisions. Here the 0 at
the bottom of the table is known to derive from the difference of two 2s, which can
therefore be inserted, one in each subset. One of the 2s arose as the difference between
a 6 and a 4, so those numbers can also be written down, and so on. In the case shown
the algorithm finds a perfect partition, but it is not guaranteed always to work.
In the search for perfect partitions, the Karmarkar-Karp procedure succeeds even
more often than the greedy algorithm.

Easy problems can be solved in "polynomial time", whereas

hard problems require "exponential time".
If you have a problem of
size x, and you know an
algorithm that can solve
it in x steps or x2 steps or
even x50 steps, then the
problem is officially easy;
all of these expressions
are polynomials in x.
But if your best algorithm
needs 2x steps or xx steps,
you're in trouble. Such
exponential
functions
grow faster than any
polynomial for large
enough values of x.

Where does number partitioning fit into this taxonomy?

The greedy algorithm and Karmarkar-Karp have polynomial running time; they can partition
a set of n numbers in less than n2 steps.
For purposes of classification, however, these algorithms simply don't count, because they're
not guaranteed to find the right answer.
The hierarchy of problem difficulty is based on a worst-case analysis, which disqualifies an
algorithm if it fails on even one problem instance. The only known method that does pass
the worst-case test is the brute-force approach of examining every possible partition. But
this is an exponential-time algorithm: Each integer in the set can be assigned to either of the
two subsets, so that there are 2n partitions to be considered.
Partitioning is a classic NP problem. If someone hands you a list of n numbers and asks, "Does
this set have a perfect partition?" you can always find the answer by exhaustive search, but
this can take an exponential amount of time. If you are given a proposed perfect partition,
however, you can easily verify its correctness in polynomial time. All you need to do is add
up the two subsets and compare the sums, which takes time proportional to n.
Indeed, partitioning is not just an ordinary member of the class NP; it is one of the elite NP
problems designated NP-complete. What this means is that if someone discovered a
polynomial-time algorithm for partitioning, it could be adapted to solve all NP problems in
polynomial time. Each NP-complete problem is a skeleton key to the entire class NP.

Boiling and Freezing Numbers (Phase transition)

The difficulty increases as a function of problem size.
In number partitioning:
(1) how many numbers are in the set, n.
(2) and how big they are: the number m of bits needed
to represent a typical integer.

Meterlo en el horno a 120 grados

Thus a set of 100 integers in a range near 2100 has n = 100 and m = 100 and a problem size
of 10,000 bits.
The ratio m/n is the best predictor of difficulty in number partitioning.
Some simple reasoning about extreme cases takes the mystery out of this assertion. Suppose
the ratio of m to n is very small, say with m = 1 and n = 1,000. The task, then, is to partition a
set of 1,000 numbers, each of which can be represented by a single bit. This is trivially easy:
A one-bit positive integer must be equal to 1, and so the input to the problem is a list of a
thousand 1s. Finding a perfect partition is just a matter of counting. At the opposite extreme,
consider the case of m = 1,000 and n = 2 (the smallest n that makes sense in a partitioning
problem). Here the separation into subsets is easyhow many ways can you partition a set
of two items?but the likelihood of a perfect partition is extremely low. It's just the
probability that two randomly selected 1,000-bit numbers will be equal.

Figure 4. Multiplicity of optimal partitions explains why some problem instances are
hard and others are embarrassingly easy. The crucial parameters are the size of the set,
n, and the size of a typical number in the set, m, measured in bits. When m is less than
n, almost all sets have many perfect partitions. When m is greater than n, there is
usually a unique best partition (and it is seldom perfect). Shown here are the
multiplicities of the optimal partitions of 1,000 sets with n = 25. Where the optimal
partition is not perfect, the color varies from yellow through green to blue as the
discrepancy increases. Perfect partitions are marked in red, with solid dots for odd-sum
sets and open circles for even-sum sets. The data show that perfect partitions are twice
as abundant in odd-sum sets as in even-sum sets; the reason, roughly stated, is that
subsets in the odd-sum case can differ by either +1 or 1, whereas an even-sum
partition is perfect only if the discrepancy is exactly 0.

A 1991 article by Peter Cheeseman, Bob Kanefsky and William M. Taylor, titled "Where
the Really Hard Problems Are," conjectured that all NP problems have a phase transition
and suggested that this is what distinguishes them from problems in P.
Stephan Mertens:
As a means of understanding the phase transition, Mertens sets up a
correspondence between the number-partitioning problem and a model of a
physical system. To see how this works, it helps to think of the partitioning process
in a new context. Instead of unzipping a list of numbers into two separate lists, keep
all the numbers in one place and multiply some of them by 1. The idea is to negate
just the right selection of numbers so that the entire set sums to 0. Now comes the
leap from mathematics to physics: The collection of positive and negative numbers
is analogous to an array of atoms in a magnetic material, with the plus and minus
signs representing up and down spins. Specifically, the system resembles an infiniterange antiferromagnet, where every atom can feel the influence of every other
atom, and where the favored configuration has spins pointing in opposite
directions.

Physics offers some powerful tools for predicting the behavior of such a system. In
particular, the interplay of energy and entropy governs how the collection of spins can be
expected to evolve toward a state of stable equilibrium. The energy in question comes
from the interaction between atomic spins (or between positive and negative numbers);
because the system is an antiferromagnet, the energy is minimized when the spin vectors
are oppositely oriented (or when the subsets sum to zero). The entropy measures the
number of ways of achieving the minimum-energy state; a system with a unique ground
state (or just one perfect partition) has zero entropy. When there are many equivalent
ways of minimizing the energy (or partitioning a set perfectly), the entropy is high.
The ratio m/n controls the state of this system. When m is much greater than n, the
spins almost always have just one configuration of lowest energy. At the other pole,
when m is much smaller than n, there are a multitude of zero-energy states, and the
system can land in any one of them. Mertens showed that the transition between
the two phases comes at m/n=1, at least in the limit of very large n. And he derived
corrections for finite n that may explain why Gent and Walsh measured a slightly
different transition point.
Finally, Mertens showed just how hard the hard phase is. Searching for the best
partition in this region is equivalent to searching a randomly ordered list of random
numbers for the smallest element of the list. Only an exhaustive traverse of the
entire list can guarantee an exact result. What's worse, there are no really good
heuristic methods; no shortcuts are inherently superior to blind, random sampling.

RULES
Given a set of k integers
extracted randomly from the pool [1,M].
- Extract another random integer T from the
pool [1,M].
- Combine the set of integers through arithmetic
operations
(use at much once each number)
-

Example [k = 4, M = 200]
{3, 12, 5, 53} T = 118
Solution exists? YES
S = (53-12)*3 5 = 118
{7, 11, 82, 26} T = 181
Solution exists? NO
(Closest formula= 26 * 7 = 182)

Question:
WHICH IS THE PROBABILITY
OF REACHING T?

Vamos a intentar estimar P(k, M) suponiendo que la nica operacin

permitida es la suma.
Si tomamos n nmeros al azar de [1, M] y los sumamos todos, en
principio, podramos obtener cualquier nmero de [n, nM].
Los extremos corresponderan a la suma de n unos y n Ms,
respectivamente.
Si suponemos que los posibles valores de las sumas se distribuyen
uniformemente (sic), la probabilidad de que una suma caiga en el
intervalo [1,M] que mide aproximadamente 1/n del intervalo total,
ser justamente 1/n.
Recordemos que si tenemos k cifras, no estamos obligados a
utilizarlas todas para alcanzar T. De modo que la cantidad de sumas
que nos daran resultados en [1,M] sera aproximadamente:

1
2+1
+ =

=1

Podemos extender el problema aadiendo ahora la posibilidad de

restar: Si tomamos n nmeros al azar de [1, M], ahora podramos
obtener cualquier nmero de [-nM, nM]. Los extremos
corresponderan a la resta de n Ms y a la suma de n Ms,
respectivamente.
Haciendo las mismas aproximaciones que antes llegamos a que la
cantidad de operaciones que nos daran resultados en [1,M] sera
aproximadamente:
2

221
1 2

2
=1

ltima aproximacin: asumamos que los N(k) resultados son como

intentos independientes de escoger al azar nmeros en el intervalo
[1,M]. Entonces:

1
, = 1 1

1 ()/

Cualitativamente es aceptable. Podemos mejorar

suponiendo un ansatz:

Cmo estimar r(M)?

()
, =

, 1/2

ln( ln 2)
=

 = ln +
a = 0.98
b = 0.31

, 1 (,)/

 = ln +
a = 0.84
b = 0.39

Intensive control
parameter:

Systems efficiency as
the average amount of
potential targets in
[1,M] that can be
reached per unit
number k. This
function can be
written as:

A. Fomenko
Geometry and probability

Otras definiciones de probabilidad:

(1) Definicin geomtrica de probabilidad

rea de B
P( B) =
rea del cuadrado

La Probabilidad Geomtrica tiene sus inicios en la Francia del siglo XVIII

con el experimento de la aguja de Buffon, desarrollado por el clebre
naturalista George Louis Leclerc (1707-1788), mejor conocido como el
conde de Buffon. Aunque se le identifica ms por su monumental obra
Histoire Naturelle de 44 volmenes, tambin estuvo profundamente
intereresado por las pasiones humanas y los juegos de azar. A la edad
de 26 aos present a los miembros de la Academia de Ciencias de
Paris otra forma de ver la Probabilidad usando Geometra.
132

La aguja de Buffon
Longitud de la aguja igual a la
distancia entre las lneas paralelas

P=

1
# veces que la aguja corta una lnea
=
# veces que lanzamos la aguja
2

Experimento-simulacin de la aguja de Buffon

Con el llamado "problema de la

aguja de Buffon", propuesto en el siglo
XVIII por el clebre naturalista
francs, nace la teora de las
probabilidades geomtricas
desarrollada poco despus por
Laplace en su gran tratado Teora
analtica de las probabilidades (1812).
Aunque vinculada inicialmente a los
juegos de azar, dicha teora origin
luego la geometra integral o
estocstica contempornea, de
inters para la matemtica pura y
aplicada. [...] La geometra integral ha
permitido el desarrollo de dos tcnicas
de gran importancia: la estereologa y
la tomografa computada.
Luis A. Santal
Facultad de Ciencias Exactas y Naturales,
Universidad de Buenos Aires
Cienciahoy

135

136

Genaro y Rigoberta se citan entre las 21 y las 22 horas.

Ninguno de ellos tiene la costumbre de ser puntual. As
que, el primero que llega esperar 20 minutos y se ir.
Cul es la probabilidad de que se produzca el encuentro?

E = {( x1 , x2 ) : 0 x1 60, 0 x2 60}
x2

x 2 x1 20
x 2 x1 20
x1 x 2 20

x2 = x1 + 20
60 min

x1 = x2 + 20
A

20 min

20 min

60 min

S ( A) 60 2 40 2 5
=
=
P( A) =
2
60
9
S (E)
x1
137

La paradoja de Bertrand
Joseph L. F. Bertrand (1822-1900) fue un
matemtico francs cuyas principales
reas de trabajo fueron la Teora de
Nmeros, la Geometra Diferencial y la
Teora de las Probabilidades. En 1888
public el libro Calcul des probabilitis que
contena numerosos ejemplos de
problemas de probabilidades en los cuales
el resultado depende del mtodo de
Joseph Louis Franois Bertrand
(1822 - 1900)
resolucin. El ms famoso se conoce como
la Paradoja de Bertrand:

Dada un circunferencia de radio R, se traza en ella, al

azar, una cuerda. Cul es la probabilidad de que esta
cuerda sea mayor que el lado del tringulo equiltero
138
que puede inscribirse en la circunferencia?

Solucin 1: La posicin de la cuerda puede ser

determinada por su distancia al centro de la
circunferencia. Esta distancia puede variar entre 0 y R.
La cuerda ser mayor que el lado del tringulo
equiltero inscrito cuando su distancia al centro
sea menor que R/2. De aqu obtenemos que
la probabilidad buscada es 1/2.

R
1 h
sin = = ; h =
2
6 2 R

0
h
R

139

Solucin 2: Tomemos un punto cualquiera de la

circunferencia. Tracemos la tangente a la
circunferencia en ese punto. Toda cuerda que pase
por ese punto formar un ngulo con la tangente que
vara entre 0o y 180o. Para que la cuerda sea mayor
que el lado del tringulo equiltero debe estar
comprendida entre 60o y 120o. De ah que la solucin
buscada sea 1/3.

140

Solucin 3: Una cuerda est totalmente determinada

por su punto medio. Aquellas cuerdas cuya longitud
exceda el lado del tringulo equiltero tienen sus
puntos medios dentro de un pequeo crculo de radio
1/2 R. De modo que su rea es 1/4 de la del crculo
de radio R. De aqu obtenemos que
la probabilidad buscada es 1/4.

141

Sobre la superficie de una esfera marcamos tres puntos al

azar. Cul es la probabilidad de que los tres puntos queden
en una misma semiesfera?
Tres puntos no colineales siempre forman un plano...

Se toma al azar un punto situado a varios

kilmetros del Pentgono. Qu probabilidad
hay de que desde l puedan verse tres lados del
polgono?
La probabilidad es 1/2. Supongamos que la persona tuviera un doble situado
directamente frente a l, a igual distancia y del otro lado, del centro del
Pentgono. Si alguna de ambas personas viera tres lados, la otra solamente
podra ver dos. Puesto que hay probabilidades iguales de que cualquiera de las
personas se encuentre en uno o en otro lugar, la probabilidad de que vea tres
caras es 1/2.
142

Dnde radica la paradoja? Cul es la solucin a nuestro problema? La paradoja

radica en qu consideramos por trazar una cuerda al azar. En el problema de
Bertrand, distintos mtodos de seleccionar una cuerda al azar conducen a diferentes
medidas de probabilidad no equivalentes. Las distribuciones de probabilidad no son
objetivas. Siempre que definamos una medida de probabilidad, dicha medida de
probabilidad se basa en un conjunto de hiptesis. El concepto de probabilidad
clsico o de Laplace se basa en la equiprobabilidad de los resultados
elementales. Este mtodo slo es aplicable para espacios muestrales finitos como
ya sabemos. El concepto de probabilidad geomtrica, generaliza el concepto de
probabilidad de Laplace, en el sentido de que conjuntos que posean la misma
medida geomtrica deben de tener la misma probabilidad y de esta manera
podemos generalizar la probabilidad para aplicarla a espacios infinitos. Sin
embargo, no es una generalizacin objetiva, todo depende de que medida
consideremos, como hemos visto aqu. De igual manera sobre un conjunto finito de
elementos podemos definir otras medidas de probabilidad, basndonos en otras
hiptesis, no coincidentes con la probabilidad clsica o de Laplace.

Cada asignacin de probabilidad se basa en un conjunto de hiptesis

diferentes que nos determinan unas medidas de probabilidad diferente.
La paradoja de Bertrand
Valderas, J.M., Olmedo, E. y Franco, L.

143

Otras definiciones de probabilidad:

(1) Definicin frecuentista de probabilidad
Si un experimento aleatorio puede
repetirse muchas veces en idnticas
condiciones (en teora) podemos
determinar la frecuencia relativa de
la ocurrencia de un suceso. Si el
nmero de intentos es m y el nmero
de ocurrencias de A es m(A) entonces
la probabilidad de A es el lmite:

m( A)
P( A) = lim
m
m

Richard von Mises (1919)

144

Por qu la probabilidad de cara o cruz en el lanzamiento de

una moneda no cargada es ?
(1) Simetra fsica e ignorancia.
(2) Frecuentista: experimento.

Lgica del azar, John Venn 1888

From Aleatoriedad D. J. Bennett
Pag. 121-133.

145

Otras definiciones de probabilidad

Grado de creencia (probabilidad subjetiva): por ejemplo la
existencia de vida extraterrestre. La mayora de los sucesos
de la vida son irrepetibles.
Grado de conocimiento: En muchos casos sabemos que el
valor de probabilidad existe pero nos resulta desconocido.
A travs de experimentos podemos determinarlo. Pero los
experimentos arrastran errores...
Un objetivista utiliza como definicin de probabilidad la
clsica o la frecuentista. Un bayesiano o subjetivista aplica
las leyes formales del azar a sus probabilidades subjetivas
o personales, o a las nuestras.
146

Regla de la suma:
Dados dos sucesos A y B en el
espacio muestral:
P(A B) = P(A) + P(B) - P(A B)

C
D

A
B

Demostracin: En la imagen podemos ver que A = C D y

B = D F. As que C, D, F son disjuntos. Por el axioma 3
P(A) = P(C) + P(D) y P(B) = P(D) + P(F)
Sumando:
P(A) + P(B) = P(C) + P(D) + P(D) + P(F)
Restando P(D) a ambos lados:
P(A) + P(B) - P(D) = P(C) + P(D) + P(F), es decir:
P(A) + P(B) - P(A B) = P(A B)

147

Regla de la adicin

P( A1 B ) = P( A1 ) + P( B ) P( A1 B )
B = A2 A3
Sustituyendo en la expresin anterior:

P( A1 ( A2 A3 )) = P( A1 ) + P( A2 A3 ) P( A1 ( A2 A3 )) =
P( A1 ) + P( A2 ) + P( A3 ) P( A2 A3 ) P(( A1 A2 ) ( A1 A3 )) =
P( A1 ) + P( A2 ) + P( A3 ) P( A2 A3 ) P( A1 A2 ) P( A1 A3 ) + P( A1 A2 A3 )
Por induccin, puede demostrarse:
n

k =1

i< j

P ( A1 A2 ... An ) = P ( Ak ) P ( Ai A j ) +
+

n +1
(
)
...
(
1
)
P
A

A
P( A1 A2 ... An )
+
+

i j k

i< j <k

148

Google y el juego del googol

por Pablo Fernndez Gallardo

Origen del nombre de la compaa: procede

del trmino matemtico googol, que en 1998 los
fundadores de Google, dos jvenes
matemticos de la Universidad de Stanford,
Sergey Brin y Larry Page, consideraron
ilustrativo del complejo proceso de bsqueda
que efecta su buscador.

100

10

= 1 googol

El trmino en cuestin lo invent en 1938 un nio de nueve aos cuando,

hablando sobre el infinito con su to, el matemtico Edward Krasner, su
desbordante imaginacin infantil improvis ese nombre para referirse a un
1 seguido de 100 ceros.
Dos dcadas despus, dos ingenieros americanos, John Fox y Gerald
Marnie, popularizaron el trmino al bautizar como juego del googol un
problema clsico relativo a los procesos de bsqueda: cmo determinar el
momento ideal para dar una bsqueda por concluida (optimal stopping).
Tambin conocido como el problema del sultn y la dote, del concurso
150
de belleza o de la eleccin de secretaria.

El juego del googol puede enunciarse as: varias personas (digamos, 100)
escriben cada una, en secreto, un nmero en una papeleta, sin lmite en cuanto al
valor del nmero escogido; las papeletas se revuelven y se inicia su extraccin al
azar y lectura pblica, una a una. La gracia est en seleccionar la papeleta con el
nmero ms alto. El jugador se puede plantar en cualquier momento, pero no
puede volver atrs: si deja pasar el nmero ganador, a la espera de otro an
mayor, perder.
Sobre el jugador pesan, pues, dos preocupaciones opuestas: si se planta
demasiado pronto, puede estar renunciando a nmeros mayores que todava no
han salido; pero si retrasa demasiado su eleccin, puede pasar por alto, sin
darse cuenta, las mejores oportunidades y quedarse a la espera de un nmero
ideal que nunca llegar. Cmo conjugar esos dos riesgos opuestos?
Puede demostrarse que para hacer mxima la probabilidad de acierto
deberemos seguir la regla del 37%, es decir, recordar el nmero ms alto de
entre los 37 primeros (si estn jugando 100 personas y por tanto hay 100
nmeros) y, a partir de ese momento, plantarnos en el primero que lo supere.
Siguiendo esa regla, la probabilidad de acierto ser tambin del 37%, porcentaje
que es el inverso del nmero e.
151

J. M. Parrondo
Juegos Matemticos: Investigacin y Ciencia

152

153

El problema de los abrigos

o sombreros (Pg. 91)
Cap. 4: Situaciones no evidentes
Unos cuantos problemas para pensar

154

Problemas resueltos
1/ Una caja contiene 8 bolas rojas, 3 blancas y 9 azules. Si se sacan 3
bolas al azar sin reemplazo determinar la probabilidad de que:
a) Las 3 sean rojas
Eventos: E1 sacar roja a la primera

8 7 6 14

=
20 19 18 285

P(E1E2E3)=

E2 sacar roja a la primera

E3 sacar roja a la primera
Otro mtodo:

Casos posibles:
Casos favorables:

C3
20C 3

Casos posibles:
b) Las 3 sean blancas

Casos favorables:

C3
20C 3

P=
1140

c) 2 sean rojas y una blanca

(Seleccin de 2 rojas entre 8)(Seleccin de 1 blanca entre 3) (8C 2 )(3C1) 7

=

=
Seleccin de 3 bolas entre 20

(20C 3 ) 166 95

d) Al menos una sea blanca

P=1-P (ninguna sea blanca)=

34 23
17C 3
=
1
= 1
57 57
20C 3

e) Se saque una de cada color

(8C1)(3C1)(9C1) 18
P=
=
20C 3
95

f) Se saquen en orden rojo, blanco, azul

Con el resultado del apartado anterior (e) y teniendo en cuenta que
ahora el orden de extraccin importa, solo nos vale uno de los 3!
posibles ordenes en los que se pueden extraer 3 bolas de diferente
color:

P (e) 3
P=
=
3!
95

167

3/ En un juego de poker se sacan 5 cartas de un naipe de 52 cartas bien

barajadas. Encontrar la probabilidad de tener a) poker de ases b) poker
de ases y un rey c) full de dieces-jotas d) escalera de nueve, diez, jota,
reina, rey e) 3 cartas de un palo y 2 de otro f) sacar un as
a)

(
4C 4 )(48C 1)
=
P=
C5

48

c)

(
4C 3 )(4C 2 )
P=
=
52

e)

C5

1
108290

(
4 13C 3 )(3 13C 2 )
P=
=
52

f)

1
54145

C5

C 5 35673
=
P (no as) =
52C 5
54145
48

b)

(
4C 4 )(4C 1)
P=
=
52

d)

C5

1
649740

(
4C 1)(4C 1)(4C 1)(4C 1)(4C 1)
P=
=
52

C5

64
162435

429
4165
35673 18472
P(al menos un as) = 1
=
54145 54145
168

4/ Una biblioteca tiene 6 libros de matemticas y 4 de fsica. Encontrar la

probabilidad de que 3 libros de matemticas en particular estn juntos

Posibles ordenaciones de los libros= 10!

Posibles ordenaciones contando los 3 libros determinados como uno: 8!

Posibles ordenaciones de los 3 libros: 3!

8! 3! 1
P=
=
10! 15
169

5/ Ay B juegan 12 partidas de ajedrez de las cuales A gana 6, B gana 4, y 2

terminan en empate. Ellos acuerdan un torneo de 3 partidas. Encontrar la
probabilidad de que a) A gane los 3 juegos, b) 2 juegos finalicen en empate, c)
A y B ganan alternadamente, d) B gana al menos un juego
P(A gana un juego) =

a)
b)

6 1
=
12 2

P(B gana un juego) =

4 1
=
12 3

P(empate) =

2 1
=
12 6

1 1 1 1
P(A gana los 3 juegos juego) = =
2 2 2 8
Posibles ordenes en que se producen los empates=

(3C 2 )

1
P(2 empates) =
6

5
Puesto que se requieren slo 2 empates la 3 partida no puede ser empate: P (no empates) = 1 P (empate) =
6
2

1 5 5
P = (3C 2 ) =
6 6 72
c) P = P( A, B, A) + P( B, A, B) = 1 1 1 + 1 1 1 = 5
2 3 2 3 2 3 36
d)

2
P(B no gana ningn juego) =
3
3
2 19
170
P(gana algn juego) = 1 =
3 27

2
P(B no gana un juego) =
3

6/ A y B juegan una partida en la que alternadamente lanzan dos dados, Gana

el primero que obtenga un total de 7. Es justo el juego?
6

1
P(sacar una suma de 7) =
6

5
4
3

P(no sacar una suma de 7) =

2
1
1

1
P (gane A a la primera) =
6
5 5 1
P (gane A a la segunda) =
6 6 6

5
6

5 1
P (gane B a la primera) =
6 6
5 5 5 1
P (gane B a la segunda) =
6 6 6 6

2
4
1

1 5 5
1 5 5 1 5 5 5 5 1
6
P(gane A) = + + + ... = 1 + + + ... =
6 6 6
6 6 6 6 6 6 6 6 6
1 5
6

( )

2
4
5

5 1 5 5
5 1 5 5 5 1
36
P (gane B) = + + ... = 1 + + + ... =
6 6 6 6
6 6 6 6 6 6
1 5
6

( )

6
11

5
11
171
=

No es justooooo!!

7/ a) Determinar la probabilidad de que al lanzar n veces dos dados se obtenga

al menos un seis doble b)Cuntos lanzamientos habra que realizar para
tener una probabilidad de de obtener al menos un 6 doble?
a)

P (al menos un seis doble) = 1 P (ningn seis doble)

P(ningn seis doble en n lanzamientos) = P(no seis doble en el 1er lanzamiento)

P(no seis doble en el 2o lanzamiento) ... P(no seis doble en el n - simo lanzamiento) =
35 35
35 35
= ...
=
36 36
36 36

35
P(al menos un seis doble en n lanzamientos) = 1
36
b)

1
1 35
1
35
35
operando
ln = n ln =
=
= 1
2
2 36
2
36
36
= 0,6931 = 0.0282n
n=24,6 que se aproxima por n=25

172

9/ Se considera un dado cargado. Las probabilidades de cada cara en un

lanzamiento son inversamente proporcionales al nmero que aparece
determinar: a) la probabilidad de que en un lanzamiento salga impar b) la
probabilidad de que salga inferior a cuatro

P(1) = K

K
P ( 2) =
2

K
P(3) =
3

K
P ( 4) =
4

K
P(5) =
5

K
P ( 6) =
6

P (1,2,3,4,5,6) = 1 = P (1) + P (2) + P (3) + P (4) + P (5) + P (6) =

k k k k k 147 k
60
=k+ + + + + =

k =
2 3 4 5 6
60
147
a)

k k 23k 92
=
P(impar) = P(1,3,5) = k + + =
3 5 15 147

b)

k k 11k 110
P(inferior a 4) = P(1,2,3) = k + + =
=
2 3
6 147
173

10/ Al controlar la calidad de un producto envasado, se eligen al azar tres

envases de una caja que contiene 1000. Por termino medio, sabemos que en
cada caja hay diez cuya calidad es deficiente. Hallar la probabilidad de que
entre los tres no haya ninguno, uno, dos o tres deficientes
(B)=bueno

(d)=defectuoso

P(ninguno defectuoso) = P( BBB) =

90 89 88 178
=
100 99 98 245

90 89 10 267
P(uno defectuoso) = P( BBd , BdB, dBB) = 3 P( BBd ) = 3
=
100 99 98 1078
90 10 9
27
P(dos defectuoso) = P( Bdd , ddB, dBd ) = 3 P( Bdd ) = 3
=
100 99 98 1078
2
10 9 8
P( tres defectuoso) = P(ddd ) =
=
100 99 98 2695
3

ntese que :

P(n defectuosos) = 1
n =0

174

11/ Se seleccionan dos cartas al azar de entre 10 cartas numeradas del 1 al 10.
Hallar la probabilidad de que la suma sea impar si: a) se sacan dos cartas sin
sustitucin b) se sacan dos cartas, una despus de la otra, con sustitucin
a)

Casos posibles: 10C 2

= 45

La suma es impar si un numero es par y el otro es

impar, como hay 5 pares y 5 impares: Casos
favorables= 5x5

b)

1010
Casos favorables= 5 5 2

25 5
P=
=
45 9

Casos posibles:

25 2 1
P=
=
100
2

Hay que tener en cuenta que

vale tanto sacar par+impar
como impar+par

175

12/ Seis parejas de casados se encuentran en un cuarto. Halla la probabilidad

de que:
a) si se escogen 2 personas al azar (i) sean esposos (ii) uno sea hombre y
otro mujer
b) si se escogen 4 personas al azar (i) se escojan dos parejas de casados (ii)
ninguna pareja sean casados en tre los 4 (iii) haya exactamente una pareja de
casados
c) si las 12 personas se reparten en seis parejas (i) cada pareja sean casados
(ii) cada pareja la forme un hombre y una mujer

a)

Casos posibles:
de las 12

12

C 2 = 66

maneras de escoger 2 personas

6
1
P=
=
66 11

(i)

Hay 6 parejas de casados:

(ii)

Hay 6 maneras de escoger a un hombre

y 6 de escoger a una mujer:

6 6 6
P=
=
66 11
176

b)
(i)

Casos posibles: 12
Hay 6

C 4 = 495

maneras de escoger 4 personas de las 12

C 2 = 15 maneras de coger 2 parejas de las 6

1
15
P=
=
495 33

(ii) Las 4 personas vienen de 4 parejas diferentes, hay 6C 4 = 15 maneras de coger 4

parejas de las 6 y ah 2 maneras de escoger a la persona de cada pareja

P=

2 2 2 2 15 16
=
495
33

(iii) Este evento es complementario de los otros dos, por tanto:

1 16 16
P = 1 =
33 33 33

12!
12!
=
c) Casos posibles: 2!2!2!2!2!2! 26 maneras de repartir 12 personas en 6 clulas ordenadas con 2

personas cada una

(i) Las 6 pareja pueden ser colocadas en 6 clulas ordenadas de 6! maneras:

1
6!
P=
=
6
12! 2 10395
(ii) Cada uno de los 6 hombres se pueden colocar en 6 clulas de 6! maneras y cada una
de las 6 mujeres lo mismo:

P=

6!6!
16
=
12! 26 231

177

14/ Se tiene una baraja de cuarenta cartas; se extraen cinco cartas una por una, devolviendo al mazo cada carta
una vez vista. Calclese:
a) La probabilidad de que las cinco cartas sean oros
b) La probabilidad de que el primer oro que aparezca lo haga en quinto lugar
a) Sea S el suceso que una carta sea oros. El suceso que las cinco cartas sean oros es el suceso compuesto por los sucesos que la primera sea
oros (S1), que la segunda sea oros (S2)...
S = S1S2S3S4S5
Los sucesos son independientes, luego:
P(S) = P(S1S2S3S4S5) = P(S1)P(S2)P(S3)P(S4)P(S5)

P( S=
i)

casos favorables 10
= = 0, 25 ;
casos posibles
40

P(S)=P5(Si)=0,255=0,000975

b) El suceso que la quinta carta sea oros es:

S1 = S S S S S
Como son sucesos independientes, P(S1) = P4(S)P(S)

P(S)

casos favorables 30
=
casos posibles
40

P(S) =

10
40

P(S1) = 0,754 0,25 = 0,0791

178

15/ Durante un ao, las personas de una ciudad utilizan tres tipos de transportes: metro (M), autobs (A), y coche
particular (C). Las probabilidades de que durante el ao hayan usado unos u otros transportes son las siguientes:
metro = 0,30; autobs = 0,20; coche = 0,15; metro y autobs = 0,10; metro y coche = 0,05; autobs y coche = 0,06;
metro y autobs y coche = 0,01.
Calclense las siguientes probabilidades:
a) Que una persona tome al menos dos medios de transporte
b) Que una persona viaje en metro y no en autobs
c) Que una persona viaje en metro o en coche y no en autobs
d) Que viaje en metro o en autobs y en coche
e) Que una persona vaya a pie
a) Se cumple verificndose alguno de los siguientes sucesos: metro y autobs y no coche; metro y no autobs y coche; no metro y autobs y
coche; metro y autobs y coche. Son sucesos disjuntos.

=
P P(( M A C ) ( M A C ) ( M A C ) ( M A C=
))
P( M A C ) + P( M A C ) + P( M A C ) + P( M A C )
vemos que: ( M A C ) ( M A C ) = M A
luego,al ser disjuntos: P ( M A C ) + P( M A C=
) P( M A)
P ( M A C=
) 0,10 0, 01= 0, 09
P( M C ) P ( M A C=
Anlogamente: P( M A C ) =
= 0, 04
) 0, 05 0, 01
P( M A C =
) P( A C ) P( M A C =
) 0, 06 0, 01= 0, 05
P = 0, 09 + 0, 04 + 0, 05 + 0, 01 = 0,19
b)
M ; los sucesos del primer miembro son disjuntos.
( M A) ( M A) =

P( M A)= P( M ) P( M A)= 0,30 0,10= 0, 20

c)
( M C ) A = ( M A) (C A);

P (( M C ) A)= P ( M A) + P(C A) P( M A C )= ( P( M ) P( M A)) +

+ ( P (C ) P (C A)) ( P( M C ) P ( M A C )) = (0,30 0,10) + (0,15 0, 06)
(0, 05 0, 01) =
0, 25

179

d)

( M A) C = ( M C ) ( A C ); los sucesos no son disjuntos.

P(( M A) C )= P( M C ) + P( A C ) P( M A C )= 0, 05 + 0, 06 0, 01= 0,10

( M A C ) ( M A C ) = E = espacio de los comportamientos

e) P( M A C ) =
1 P( M A C ) =
1 ( P( M ) + P( A) + P(C ) P( M A) P( M C )
P( A C ) + P( M A C )) =1 0, 45 =0,55

180

16/ Una fbrica de detergentes proyecta lanzar una nueva marca. En el mercado hay dos marcas: A y B. La
probabilidad de compra de A es 0,3, la de B es 0,5 y la de A y B, 0,1. Para decidirse por la nueva marca, la
fabrica necesita conocer la probabilidad de que no se compren ni A ni B, as como la probabilidad de que slo
se compre una de las dos marcas. Calclense estas probabilidades.
El suceso no comprar ni A ni B es el complementario del suceso comprar A o B:

A B = A B
Y, al ser los sucesos del primer miembro disjuntos, se deduce que:

P( A B) + P( A B) =
P ( E );
P( A B ) = P ( A) + P ( B ) P ( A B ) = 0,3 + 0,5 0,1 = 0, 7;
0, 7 + P=
( A B) 1;

P=
( A B) 0,3

P( A B ) = P ( A B ) = 0,3
El suceso comprar una de las dos marcas es igual a la unin de los sucesos disjuntos comprar la marca A y no comprar la B y comprar la
marca B y no la A.
Comprar la marca A y no comprar la B es A-B y anlogamente, comprar B y no A es B-A; por tanto:

P (comprar una de las dos marcas) = P(( A B) ( B A)) = P( AB) =

P ( A B ) + P ( B A);
A = ( A B) ( A B ); P ( A) = P ( A B ) + P ( A B ); P ( A B ) = 0,3 0,1 = 0, 2
B = ( B A) ( A B ); P ( B ) = P ( B A) + P ( A B ); P ( B A) = 0,5 0,1 = 0, 4
P (comprar una de las dos marcas) = 0, 2 + 0, 4 = 0, 6

181

18/ Un submarino se dispone a torpedear a un carguero. De experiencias anteriores el capitn del submarino
sabe que al lanzar un torpedo da en el blanco una de cada tres veces por lo que para asegurar el xito decide
lanzar tres torpedos. Supuestos los lanzamientos simultneos e independientes se pide:
a) cul es la probabilidad de hundir el carguero?
b) cunto vale dicha probabilidad si le dispara cuatro torpedos?
c) cul es el nmero mnimo de disparos necesario para tener una probabilidad de hundirlo igual o superior
al 95%?
a) Llamamos Ai al suceso consistente en que el torpedo i-simo (i=1,2,3) de en el blanco.

P(hundir el carguero)= P( A1 A2 A3 ); los sucesos no son incompatibles,luego:

P( A1 A2 A3=
) P( A1 ) + P( A2 ) + P( A3 ) ( P( A1 A2 ) + P( A2 A3 ) + P( A1 A3 )) +
+ P( A1 A2 A3 ) =

1 1 1 1 1 1
1 19
+ + ( + + )+
=
3 3 3 9 9 9 27 27

Tambin hubiramos alcanzado este resultado determinando la probabilidad del suceso contrario
P(hundir el carguero) = 1 P(no hundir el carguero) = = 1 P( A1 A2 A3 ); y al ser independientes:
2 2 2 8
P( A1 A2 A3 ) = P( A1 ) P( A2 ) P( A3 ) = =
3 3 3 27
8 19
y, de nuevo: P (hundir el carguero) =
1
=
27 27
b) La probabilidad ahora es:

P(hundir el carguero) =1 P( A1 A2 A3 A4 ) =
4

2 65
=
1 =
81
3

182

c) Si es n el nmero de disparos requeridos tendr que cumplirse

n

2
1 0,95
3
n

2
2
0, 05 n log log 0,95
3
3
log 0, 05
n
= 7,3888 =
n 8
2
log
3

183

 Una persona acepta una apuesta del orden 10 a 3 sobre la

posibilidad de ganar un pgil en un combate de boxeo.
Determnese cul es la probabilidad que est asignando a
este hecho.
SOLUCIN:
Este tipo de relaciones se denomina ventaja relativa . Si la
relacin es de A a B, entonces la ventaja es:
Ventaja = A/B
y la probabilidad asociada:
P (s)= A/A+B
La probabilidad que el apostante est asignado a su posibilidad
de ganar al aceptar la apuesta es:
P (ganar) = 10/ (10+3) = 10/13

184

Determnese la probabilidad de que al lanzar n veces dos dados se obtenga al

menos un seis
doble. Cuntos lanzamientos habra que realizar para tener una probabilidad
igual a de
obtener al menos un seis doble?
(Problema del Caballero de Mr)
SOLUCIN:
36 comportamiento, de los cuales 1 es la obtencin del seis doble.
Usemos la probabilidad del suceso complementario.
P (obtencin de ningn 6 doble en n lanzamientos) = 1 P (obtencin de ningn 6
doble en n lanzamientos)
P (ningn 6 doble en n lanzamientos) = 35/36 x 35/36 x 35/36 = (35/36) n
P( al menos un 6 doble) = 1 ( 35/36)n.
Para tener probabilidad = 1/2:
1/2 = 1- ( 35/36)n
1/2 = (35/36)n
Ln 1/2 = n x ln (35/36)
N = 24,6
Por lo que tendremos que lanzar 25 veces.
185

Tres personas A, B y C lanzan, sucesivamente, y por este orden, una moneda ideal,
ganando el primero que saque cara. Cules son las probabilidades de ganar cada
jugador?
SOLUCIN:
Sucesos: A = Gana el A, B = Gana el B, C = Gana el C
P (A) + P (B) + P (C) = 1
Ac: A obtiene cara; ( Bc; Cc) ; A+: A obtiene cruz; (B+;C+)
A gana si en la primera serie de lanzamientos obtiene cara; o si en la primera serie A,B y C
obtienen cruz y luego A obtiene cara, y as sucesivamente.
Lo mismo ocurre para los sucesos B y C. Por consiguiente:
P(A) = + (1/2)4+(1/2)7+(1/2)10+.
P(B)=(1/2)2+(1/2)5+(1/2)8+(1/2)11+
P(C)=(1/2)3+(1/2)6+(1/2)9+(1/2)12+.
Pudindose apreciar que P (B) = 1/2 P (A) y P (C) = 1/2 P (B) = 1/4 P (A)
Como:
1 = P (A)+P (B) +P (C) = P (A) + 1/2 P (A) + 1/4 P (A) = 7/4 P (A).
Tenemos que:
P (A) = 4/7
P (B) = 1/2 P (A) = 2/7
P (C) = 1/4 P (A) = 1/7
186